CN108229755A - 基于改进二进制入侵杂草优化算法的主动配电网网架规划 - Google Patents
基于改进二进制入侵杂草优化算法的主动配电网网架规划 Download PDFInfo
- Publication number
- CN108229755A CN108229755A CN201810097087.7A CN201810097087A CN108229755A CN 108229755 A CN108229755 A CN 108229755A CN 201810097087 A CN201810097087 A CN 201810097087A CN 108229755 A CN108229755 A CN 108229755A
- Authority
- CN
- China
- Prior art keywords
- weeds
- binary system
- algorithm
- distribution network
- active distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000196324 Embryophyta Species 0.000 title claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 229910002056 binary alloy Inorganic materials 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 5
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 238000012423 maintenance Methods 0.000 claims abstract description 4
- 238000010248 power generation Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims abstract description 4
- 238000013459 approach Methods 0.000 claims abstract description 3
- 238000009395 breeding Methods 0.000 claims description 13
- 230000001488 breeding effect Effects 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 241000894007 species Species 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- SCKYRAXSEDYPSA-UHFFFAOYSA-N ciclopirox Chemical compound ON1C(=O)C=C(C)C=C1C1CCCCC1 SCKYRAXSEDYPSA-UHFFFAOYSA-N 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统继电保护和自动化领域，涉及一种基于改进二进制入侵杂草优化算法的主动配电网网架规划方法，该方法建立分布式电源及电池换电站功率模型，并使用场景分析法处理分布式电源发电的不确定性，目标函数F除了包括馈电线路投资、运行维护、网络损耗和碳排放环境成本，还包括表示辐射状约束的惩罚项P，决策变量选取表示线路开关状态的p维二进制向量，并采用改进二进制杂草算法优化决策变量，实现目标函数F的最小化，从而得到满足条件的主动配电网网络架构。
Description
技术领域
本发明涉及一种基于改进二进制入侵杂草优化算法的主动配电网网架规划方法。
背景技术
可再生分布式能源因其可再生性与清洁性，大大缓解了能源压力与环境问题，因而得到快速发展。可再生分布式电源的大规模接入，增加了传统配电网的复杂性与不确定性，潮流方向也由单向流动变为双向流动。主动配电网因能利用自动化技术及电力电子装置对可再生分布式能源进行主动管理，成为配电网的一种发展方向。主动配电网的复杂性和不确定性，又使网架规划的难度增大，需要采取更高效的求解算法搜寻全局最优解，因此寻找并使用合适的求解算法尤为重要。
主动配电网网架规划的优化具有非线性，多维性，不确定性，动态性等特点。当前网架规划方法中，启发式、数学规划方法容易陷入局部极值且不能进行并行运算，不适合大规模优化问题的求解。智能算法如粒子群优化算法、细菌觅食算法、人工鱼群算法、杜鹃搜索算法、生物地理学优化算法等，在处理问题时有各自优势，但仍然在全局搜索性能和收敛速度等方面具备改进的潜力。
发明内容
本发明的目的是为主动配电网网架规划寻找合适的求解算法，为此提供一种可以避免早熟收敛，搜索效率高的主动配电网网架规划方法。本发明针对具有非线性、多维性、不确定性、动态性等特点的主动配电网网架规划问题，改进了二进制杂草算法。技术方案如下：
一种基于改进二进制入侵杂草优化算法的主动配电网网架规划方法，该方法建立分布式电源及电池换电站功率模型，并使用场景分析法处理分布式电源发电的不确定性，目标函数F除了包括馈电线路投资、运行维护、网络损耗和碳排放环境成本，还包括表示辐射状约束的惩罚项P，决策变量选取表示线路开关状态的p维二进制向量，并采用改进二进制杂草算法优化决策变量，实现目标函数F的最小化，从而得到满足条件的主动配电网网络架构，其中改进二进制杂草算法的优化包括以下步骤：
(1)初始化：确定初始种子数，随机生成二进制决策变量。
(2)繁殖：每株杂草根据自身适应度值是否包含惩罚项分别繁殖，繁殖的种子数wn根据适应度值从允许的最小种子数到最大种子数线性增长，共有两组杂草种群适应值的极值和可产生种子数区间，并规定包含惩罚项的杂草对应的可产生种子数区间较不包含惩罚项的杂草小。
(3)空间扩散：由正态分布N(0，σiter)得到扩散值di i ter，其中标准差σiter在一定区间内随迭代次数增大而减小，用以提高搜索精度，引入映射函数，将扩散值di i ter映射到区间[0,1]，再经过随机运算，使种子随机扩散在二进制父代杂草附近。
(4)多样性：引入海明距离diver，即比较父代杂草与子代杂草差异位数，当距离过小，使diver小于预设阈值diverm，重新生成，直到生成满足阈值条件的子代杂草，保证杂草种群多样性。
(5)竞争排斥：快速繁殖到一定代数后，繁殖的子代杂草数目超过空间环境允许的最大这群规模pmax，竞争机制选择适应性更好的pmax株杂草个体，排斥适应值差的杂草个体；
(6)重复步骤(2)-(5)，直至达到最大迭代次数itermax。
附图说明
图1映射函数
图2是改进二进制入侵杂草优化算法流程图
图3是修改的25节点系统待选网架结构图
图4是改进二进制入侵杂草算法和二进制粒子群收敛曲线比较
具体实施方式
为了准确、高效优化主动配电网网架规划这种组合优化问题，本发明提出一种改进二进制杂草算法。入侵杂草算法具有较强的鲁棒性和自适应性，已被证明在并网运行微电网电源优化、含分布式电源配电网无功优化等方面求解的有效性。入侵杂草算法模仿杂草入侵的种子空间扩散、生长、繁殖和竞争性消亡的基本过程，改进二进制杂草算法在此基础上，引入sig函数二进制化，并引入海明距离确保父代与子代的差异性性，保证算法能够进行全局搜索并快速收敛。又因本目标函数中包含表示辐射状约束的惩罚项，杂草繁殖种子数根据是否包含惩罚项分别计算。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和实施例对本发明的具体实施方式进行说明。
本发明考虑分布式电源和电池换电站对主动配电网的影响。以风机为例，建立分布式电源输出功率与输入风速的关系表达式，使用场景还原法处理分布式电源出力的间歇性和不确定性。某个场景b的不确定性可以表示为：
其中f(D)是负荷的密度函数，f(v)是风速的密度函数。Pl,b、Pu,b和vl,b、vu,b分别是场景b中负荷和风速的上下确界
优化目标是实现包括传统的馈电线路投资、运行维护以及网络损耗和因发电产生的碳排放环境成本在内的目标函数F的最小化，如下式所示：
F＝Ccap+Copr+Cemi+P
其中，Ccap是年值化馈线投资，Copr是网络损失和运维费用之和，Cemi是期望碳税值。因为DG是清洁能源，Cemi主要由发电侧网损和超出DG发电量的负荷产生。P是表示辐射状约束的惩罚项。
决策变量是表示主动配电网线路开关状态的p维二进制向量，并服从系统的线路的数量约束、功率平衡等式、线路允许的电流约束、电压越限约束、受端网络约束和网架的辐射约束。
算例分析使用一个10kV配电系统，它包含25个节点，42条可扩建支路，电源点1(35/10.5kV变电站)向24个的负荷节点(10/0.4kV变电站)供电，初始网架如图3所示。假设分布式电源接在节点10、13、20、21和25，每个节点最多接10台，电池换电站设在节点2。
使用改进二进制入侵杂草算法对本算例的网架进行规划，求解满足约束并使目标函数最小的网络拓扑，优化步骤如下：
(1)初始化：确定初始种子数，随机生成p维二进制决策变量，即线路的开关状态。
(2)繁殖：每株杂草根据自身目标函数值，以及杂草的最优、最差目标函数值繁殖种子，目标函数值差的杂草繁殖的种子数少，目标函数值优的杂草繁殖的种子数多，其他杂草繁殖的种子数根据目标函数值从允许的最小种子数到最大种子数线性增长。
因配电网一般开环工作，随机生成的网架很少为辐射状。同时，不同决策变量对应的目标函数值可能在不同的数量级，导致传统方法计算的繁殖种子数不能有效扩散。为加快搜索效率，本发明中辐射状约束用罚函数P表示，即不满足辐射状约束的解对应的目标函数值包含一个很大的惩罚项。
因此，本发明首先将满足辐射状约束与不满足辐射状约束的杂草分类，两类杂草分别繁殖，不同类的杂草分别对应不同的杂草种群目标函数值的最大值和最小值fbest，fworst和可产生种子数区间smax和smin，且不满足约束的杂草对应的smax和smin值相对较小。需要注意的是，竞争选择步骤中，两类杂草同步参与。
(3)空间扩散：由正态分布N(0，σiter)得到扩散值其中标准差σiter在一定区间内随迭代次数增大而减小，用以提高搜索精度。
改进二进制入侵杂草算法产生的扩散值不直接作用于杂草个体，通过适当的映射，以概率形式作用于杂草的比特位，具体过程如下：
对于第iter代某杂草任意比特位通过正态分布随机函数N(0，σiter)得到对应的扩散值引入映射函数：
其中，ρ为[0,1]之间的随机数。xor是异或运算符。映射函数如图1。
(4)多样性：为保持种群多样性，防止算法早熟，陷入局部极值，引入海明距离diver，即：
diver＝xor(weedi,weedt)
其中，weedi是父代杂草的二进制编码，weedt是子代杂草的二进制编码，父代杂草与子代杂草差异越大，diver越大，当diver小于一定阈值diverm，重新生成子代杂草，提高搜索效率，保证多样性。
(5)竞争排斥：杂草种群繁殖到一定代数后，若种群数目超过空间环境允许的最大这群规模pmax，竞争机制选择适应性更好的杂草个体，淘汰较差的杂草个体。
不断重复上述过程，直至达到最大迭代次数itermax。
改进二进制入侵杂草算法算法流程图如图2。
为验证本发明所提算法的全局搜索性能和收敛性，改进二进制入侵杂草算法规划结果与作为网架规划中最经典算法之一的二进制粒子群算法的规划结果进行对比，两个算法分别运行50次，统计优化结果并列于表1。
由此看得出，改进二进制入侵杂草算法的各个统计结果，最优、最差及平均值都较二进制粒子群更优，从而证明了改进二进制入侵杂草算法具有较强的全局搜索能力。改进二进制入侵杂草算法以目标函数值为参考扩散生长，并按正态分布进行扩散，扩散力度随代数增加而降低，由全局搜索逐渐转向局部搜索，保证收敛性。搜索过程引入海明距离，保证了种群多样性，从而防止算法陷入局部极值，提高全局搜索性能。
改进二进制入侵杂草算法和二进制粒子群算法的收敛曲线如图4所示。可以看出改进二进制入侵杂草算法在80代之后开始收敛，二进制粒子群在95代之后开始收敛，改进二进制入侵杂草算法在迭代早期具有较快的收敛速度。二进制粒子群在代之后陷入局部极值，早熟收敛，改进二进制入侵杂草算法因搜索过程考虑种群多样性，跳出局部极值，收敛到全局最优。此外，两种在相同设备上迭代150代，改进二进制入侵杂草算法平均需要240.25s，二进制粒子群则需要280.08s，表明改进二进制入侵杂草算法具有更快的搜索速度及更优的搜索结构。
综上所述，在主动配电网网架规划中，本发明提出的改进二进制入侵杂草算法的全局搜索能力、收敛速度及搜索效率均优于二进制粒子群算法。
表1不同算法的比较结果
Claims (1)
1.一种基于改进二进制入侵杂草优化算法的主动配电网网架规划方法，该方法建立分布式电源及电池换电站功率模型，并使用场景分析法处理分布式电源发电的不确定性，目标函数F除了包括馈电线路投资、运行维护、网络损耗和碳排放环境成本，还包括表示辐射状约束的惩罚项P，决策变量选取表示线路开关状态的p维二进制向量，并采用改进二进制杂草算法优化决策变量，实现目标函数F的最小化，从而得到满足条件的主动配电网网络架构，其中改进二进制杂草算法的优化包括以下步骤：
(1)初始化：确定初始种子数，随机生成二进制决策变量。
(2)繁殖：每株杂草根据自身适应度值是否包含惩罚项分别繁殖，繁殖的种子数wn根据适应度值从允许的最小种子数到最大种子数线性增长，共有两组杂草种群适应值的极值和可产生种子数区间，并规定包含惩罚项的杂草对应的可产生种子数区间较不包含惩罚项的杂草小。
(3)空间扩散：由正态分布N(0，σiter)得到扩散值其中标准差σiter在一定区间内随迭代次数增大而减小，用以提高搜索精度，引入映射函数，将扩散值映射到区间[0,1]，再经过随机运算，使种子随机扩散在二进制父代杂草附近。
(4)多样性：引入海明距离diver，即比较父代杂草与子代杂草差异位数，当距离过小，使diver小于预设阈值diverm，重新生成，直到生成满足阈值条件的子代杂草，保证杂草种群多样性。
(5)竞争排斥：快速繁殖到一定代数后，繁殖的子代杂草数目超过空间环境允许的最大这群规模pmax，竞争机制选择适应性更好的pmax株杂草个体，排斥适应值差的杂草个体；
(6)重复步骤(2)-(5)，直至达到最大迭代次数itermax。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810097087.7A CN108229755A (zh) | 2018-01-31 | 2018-01-31 | 基于改进二进制入侵杂草优化算法的主动配电网网架规划 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810097087.7A CN108229755A (zh) | 2018-01-31 | 2018-01-31 | 基于改进二进制入侵杂草优化算法的主动配电网网架规划 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108229755A true CN108229755A (zh) | 2018-06-29 |
Family
ID=62669403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810097087.7A Pending CN108229755A (zh) | 2018-01-31 | 2018-01-31 | 基于改进二进制入侵杂草优化算法的主动配电网网架规划 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108229755A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109038545A (zh) * | 2018-07-10 | 2018-12-18 | 上海电力学院 | 一种基于差分进化入侵杂草算法的配电网重构方法 |
| CN109298747A (zh) * | 2018-09-20 | 2019-02-01 | 天津大学 | 基于iiwo优化的smesc风电系统mppt方法 |
| CN111078380A (zh) * | 2019-12-09 | 2020-04-28 | 山东师范大学 | 一种多目标任务调度方法及系统 |
| CN113688488A (zh) * | 2021-08-17 | 2021-11-23 | 南京信息工程大学 | 基于改进的人工鱼群算法的电网线路规划方法 |
| CN115965288A (zh) * | 2022-12-29 | 2023-04-14 | 国网湖北省电力有限公司经济技术研究院 | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
-
2018
- 2018-01-31 CN CN201810097087.7A patent/CN108229755A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109038545A (zh) * | 2018-07-10 | 2018-12-18 | 上海电力学院 | 一种基于差分进化入侵杂草算法的配电网重构方法 |
| CN109038545B (zh) * | 2018-07-10 | 2020-10-23 | 上海电力学院 | 一种基于差分进化入侵杂草算法的配电网重构方法 |
| CN109298747A (zh) * | 2018-09-20 | 2019-02-01 | 天津大学 | 基于iiwo优化的smesc风电系统mppt方法 |
| CN109298747B (zh) * | 2018-09-20 | 2020-06-05 | 天津大学 | 基于iiwo优化的smesc风电系统mppt方法 |
| CN111078380A (zh) * | 2019-12-09 | 2020-04-28 | 山东师范大学 | 一种多目标任务调度方法及系统 |
| CN111078380B (zh) * | 2019-12-09 | 2023-07-28 | 山东师范大学 | 一种多目标任务调度方法及系统 |
| CN113688488A (zh) * | 2021-08-17 | 2021-11-23 | 南京信息工程大学 | 基于改进的人工鱼群算法的电网线路规划方法 |
| CN113688488B (zh) * | 2021-08-17 | 2023-05-30 | 南京信息工程大学 | 基于改进的人工鱼群算法的电网线路规划方法 |
| CN115965288A (zh) * | 2022-12-29 | 2023-04-14 | 国网湖北省电力有限公司经济技术研究院 | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
| CN115965288B (zh) * | 2022-12-29 | 2023-11-03 | 国网湖北省电力有限公司经济技术研究院 | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229755A (zh) | 基于改进二进制入侵杂草优化算法的主动配电网网架规划 | |
| Nugraha et al. | A novel MPPT method based on cuckoo search algorithm and golden section search algorithm for partially shaded PV system | |
| Abou El-Ela et al. | Optimal placement and sizing of distributed generation and capacitor banks in distribution systems using water cycle algorithm | |
| Asrari et al. | The impacts of distributed energy sources on distribution network reconfiguration | |
| CN109995075B (zh) | 一种含分布式电源的主动配电网动态重构方法 | |
| CN108365608B (zh) | 一种区域能源互联网不确定优化调度方法及系统 | |
| Niknam et al. | Scenario-based multiobjective distribution feeder reconfiguration considering wind power using adaptive modified particle swarm optimisation | |
| Su et al. | Machine learning algorithms in forecasting of photovoltaic power generation | |
| Dixit et al. | Artificial bee colony optimization for combined economic load and emission dispatch | |
| Rueda et al. | MVMO for bound constrained single-objective computationally expensive numerical optimization | |
| CN108596438B (zh) | 一种多目标野花算法的动态环境经济调度方法 | |
| Bandaru et al. | Modified SBX and adaptive mutation for real world single objective optimization | |
| CN113241780B (zh) | 一种基于秃鹰搜索算法的电网二次调频控制方法与系统 | |
| Aghaee et al. | Economic dispatch in power systems using simulated annealing-based-clonal selection optimization approach | |
| CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
| Pattanaik et al. | Opposition-based differential evolution for hydrothermal power system | |
| CN116799807A (zh) | 含分布式电源配电网规划方法 | |
| Zaman et al. | Solving an economic and environmental dispatch problem using evolutionary algorithm | |
| CN115169754B (zh) | 能源调度方法、装置、电子设备及存储介质 | |
| Mitsuya et al. | Efficiency of hybrid MPPT techniques based on ANN and PSO for photovoltaic systems under partially shading conditions | |
| CN116739104A (zh) | 一种新能源功率序列样本生成方法及系统 | |
| CN115882503A (zh) | 一种分布式光伏投切排序方法及装置 | |
| Naama et al. | A hybrid tabu search and algorithm genetic for solving the economic dispatch problem | |
| CN115271254A (zh) | 一种基于海鸥算法优化极限学习机的短期风功率预测方法 | |
| Kimura et al. | Neural networks approach for wind-solar energy system with complex networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |